معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

scikit-learn-compatible estimators from Civis Analytics

ویژگی	مقدار
سیستم عامل	-
نام فایل	civisml-extensions-0.3.1
نام	civisml-extensions
نسخه کتابخانه	0.3.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Civis Analytics
ایمیل نویسنده	opensource@civisanalytics.com
آدرس صفحه اصلی	https://www.civisanalytics.com
آدرس اینترنتی	https://pypi.org/project/civisml-extensions/
مجوز	BSD-3

civisml-extensions ================== .. image:: https://www.travis-ci.org/civisanalytics/civisml-extensions.svg?branch=master :target: https://www.travis-ci.org/civisanalytics/civisml-extensions scikit-learn-compatible estimators from Civis Analytics Installation ------------ Installation with ``pip`` is recommended:: $ pip install civisml-extensions For development, a few additional dependencies are needed:: $ pip install -r dev-requirements.txt Contents and Usage ------------------ This package contains `scikit-learn`_-compatible estimators for stacking ( ``StackedClassifier``, ``StackedRegressor``), non-negative linear regression ( ``NonNegativeLinearRegression``), preprocessing pandas_ ``DataFrames`` ( ``DataFrameETL``), and using Hyperband_ for cross-validating hyperparameters ( ``HyperbandSearchCV``). Usage of these estimators follows the standard sklearn conventions. Here is an example of using the ``StackedClassifier``: .. code-block:: python >>> from sklearn.linear_model import LogisticRegression >>> from sklearn.ensemble import RandomForestClassifier >>> from civismlext.stacking import StackedClassifier >>> >>> # Define some Train data and labels >>> Xtrain, ytrain = <train_features>, <train_labels> >>> >>> # Note that the final estimator 'metalr' is the meta-estimator >>> estlist = [('rf', RandomForestClassifier()), >>> ('lr', LogisticRegression()), >>> ('metalr', LogisticRegression())] >>> >>> mysm = StackedClassifier(estlist) >>> # Set some parameters, if you didn't set them at instantiation >>> mysm.set_params(rf__random_state=7, lr__random_state=8, >>> metalr__random_state=9, metalr__C=10**7) >>> >>> # Fit >>> mysm.fit(Xtrain, ytrain) >>> >>> # Predict! >>> ypred = mysm.predict_proba(Xtest) You can learn more about stacking and see an example use of the ``StackedRegressor`` and ``NonNegativeLinearRegression`` estimators in `a talk presented at PyData NYC`_ in November, 2017. See the doc strings of the various estimators for more information. Contributing ------------ Please see ``CONTRIBUTING.md`` for information about contributing to this project. License ------- BSD-3 See ``LICENSE.md`` for details. .. _scikit-learn: http://scikit-learn.org/ .. _pandas: http://pandas.pydata.org/ .. _Hyperband: https://arxiv.org/abs/1603.06560 .. _a talk presented at PyData NYC: https://www.youtube.com/watch?v=3gpf1lGwecA

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl civisml-extensions-0.3.1:

pip install civisml-extensions-0.3.1.whl

نصب پکیج tar.gz civisml-extensions-0.3.1:

pip install civisml-extensions-0.3.1.tar.gz